1.nn.BatchNorm1d(num_features)

 1.对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作
    2.num_features：
            来自期望输入的特征数，该期望输入的大小为'batch_size x num_features [x width]'
            意思即输入大小的形状可以是'batch_size x num_features' 和 'batch_size x num_features x width' 都可以。
            （输入输出相同）
            输入Shape：（N, C）或者(N, C, L)
            输出Shape：（N, C）或者（N，C，L）
 
      eps：为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
      momentum：动态均值和动态方差所使用的动量。默认为0.1。
      affine：一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
    3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
      在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。
      在验证时，训练求得的均值/方差将用于标准化验证数据。 
    4.例子
            >>> # With Learnable Parameters
            >>> m = nn.BatchNorm1d(100) #num_features指的是randn(20, 100)中（N, C）的第二维C
            >>> # Without Learnable Parameters
            >>> m = nn.BatchNorm1d(100, affine=False)
            >>> input = autograd.Variable(torch.randn(20, 100)) #输入Shape：（N, C）
            >>> output = m(input)  #输出Shape：（N, C）

2.nn.BatchNorm2d(num_features)

 1.对小批量(mini-batch)3d数据组成的4d输入进行批标准化(Batch Normalization)操作
    2.num_features： 
            来自期望输入的特征数，该期望输入的大小为'batch_size x num_features x height x width'
            （输入输出相同）
                输入Shape：（N, C，H, W)
                输出Shape：（N, C, H, W）
      eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
      momentum： 动态均值和动态方差所使用的动量。默认为0.1。
      affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
    3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
      在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。
      在验证时，训练求得的均值/方差将用于标准化验证数据。
    4.例子
        >>> # With Learnable Parameters
        >>> m = nn.BatchNorm2d(100) #num_features指的是randn(20, 100, 35, 45)中（N, C，H, W)的第二维C
        >>> # Without Learnable Parameters
        >>> m = nn.BatchNorm2d(100, affine=False)
        >>> input = autograd.Variable(torch.randn(20, 100, 35, 45))  #输入Shape：（N, C，H, W)
        >>> output = m(input)

3.nn.BatchNorm3d(num_features)

        1.对小批量(mini-batch)4d数据组成的5d输入进行批标准化(Batch Normalization)操作
        2.num_features： 
                来自期望输入的特征数，该期望输入的大小为'batch_size x num_features x depth x height x width'
                （输入输出相同）
                 输入Shape：（N, C，D, H, W)
                 输出Shape：（N, C, D, H, W）
 
          eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
          momentum： 动态均值和动态方差所使用的动量。默认为0.1。
          affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
 
        3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
          在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。
          在验证时，训练求得的均值/方差将用于标准化验证数据。
        4.例子
            >>> # With Learnable Parameters
            >>> m = nn.BatchNorm3d(100)  #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C
            >>> # Without Learnable Parameters
            >>> m = nn.BatchNorm3d(100, affine=False)  #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C
            >>> input = autograd.Variable(torch.randn(20, 100, 35, 45, 10)) #输入Shape：（N, C, D, H, W） 
            >>> output = m(input)

最后

以上就是美丽奇迹为你收集整理的pytorch中BatchNorm1d、BatchNorm2d、BatchNorm3d1.nn.BatchNorm1d(num_features)2.nn.BatchNorm2d(num_features)3.nn.BatchNorm3d(num_features)的全部内容，希望文章能够帮你解决pytorch中BatchNorm1d、BatchNorm2d、BatchNorm3d1.nn.BatchNorm1d(num_features)2.nn.BatchNorm2d(num_features)3.nn.BatchNorm3d(num_features)所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。